Apa Itu Kecerdasan Buatan? Bagaimana Sistem Machine Learning Bekerja

Kecerdasan buatan (AI) adalah bidang teknologi yang memungkinkan komputer dan mesin mensimulasikan pembelajaran manusia, pemahaman, pemecahan masalah, pengambilan keputusan, kreativitas, dan otonomi, menurut IBM.

AI Sempit vs. AI Umum

IBM membedakan antara dua kategori luas. AI Sempit, juga disebut AI lemah, mencakup sistem yang dibangun untuk satu tugas spesifik, seperti asisten suara atau chatbot. AI Umum, atau AI kuat, mengacu pada sistem teoretis dengan pemahaman luas di banyak tugas pada tingkat manusia atau superhuman; IBM menyatakan bahwa sistem seperti ini tidak ada saat ini.

Machine Learning: Mesin di Balik Sebagian Besar AI

Machine Learning (ML) adalah bagian dari AI yang fokus pada algoritma yang mempelajari pola dari data pelatihan dan kemudian membuat inferensi tentang data baru, menjelaskan IBM. Perbedaan utama dari pemrograman tradisional adalah bahwa programmer tidak perlu menjelaskan setiap aturan. IBM memberikan contoh deteksi spam: program berbasis aturan memerlukan manusia untuk menentukan seperti apa spam itu, sementara model ML mempelajari karakteristik spam dengan mempelajari banyak email contoh sendiri.

Tiga Jenis Pembelajaran Utama

Menurut IBM, sistem machine learning umumnya dilatih dengan salah satu dari tiga cara. Pembelajaran terawasi menggunakan data berlabel dengan jawaban yang diketahui benar, untuk tugas seperti mengklasifikasikan item atau memprediksi nilai berkelanjutan seperti harga. Pembelajaran tanpa pengawasan bekerja dengan data tanpa label dan mencari struktur tersembunyi, seperti mengelompokkan pelanggan serupa bersama-sama. Pembelajaran penguatan melatih sistem melalui coba-coba, memberi penghargaan pada tindakan yang membawanya menuju tujuan sehingga secara bertahap mempelajari strategi optimal.

Di Mana AI Sudah Muncul

IBM mencantumkan chatbot layanan pelanggan, deteksi penipuan, rekomendasi pemasaran yang dipersonalisasi, penyaringan rekrutmen berbantuan AI, alat pembuatan kode, dan pemeliharaan prediktif sebagai aplikasi saat ini. Secara terpisah, tinjauan machine learning IBM menambahkan kendaraan otonom, penyaringan spam email, dukungan diagnosis medis, mesin rekomendasi, dan terjemahan bahasa ke dalam daftar teknologi berbasis ML yang sudah digunakan.

Keterbatasan yang Diketahui: Hallucinations dan Bias

Sistem AI generatif dapat menghasilkan "hallucinations" — informasi fabrikasi yang tampak autentik, menurut kelompok Teaching & Learning Technologies MIT Sloan. MIT Sloan menunjuk ke kasus yang dilaporkan secara luas di mana seorang pengacara menggunakan ChatGPT untuk penelitian hukum dan alat tersebut menemukan kutipan kasus yang tidak ada. Kelompok ini mengutip penelitian yang menemukan bahwa chatbot tujuan umum mengalami hallucinations dalam 58% hingga 82% pertanyaan hukum yang diuji, sementara alat hukum khusus menggunakan retrieval-augmented generation masih mengalami hallucinations dalam lebih dari 17% kasus.

MIT Sloan menghubungkan hallucinations dengan tiga faktor: data pelatihan yang mencampur informasi akurat dan tidak akurat, yang dapat direproduksi model; desain dasar sistem generatif, yang berfungsi seperti "alat autocomplete canggih" memprediksi kata-kata berikutnya yang masuk akal daripada memverifikasi fakta; dan batas arsitektur yang memungkinkan model menggabungkan pola dengan cara yang baru, terkadang tidak akurat, bahkan dengan data pelatihan yang bersih.

Tentang bias, MIT Sloan melaporkan bahwa studi telah menemukan sistem AI dapat memperkuat stereotip gender dan rasial dalam gambar yang dihasilkan dan menghasilkan umpan balik, penilaian, atau rekomendasi profesional dengan kualitas berbeda tergantung pada isyarat demografis dalam prompt. Kelompok ini menghubungkan ini ke data pelatihan yang berisi prasangka sosial yang ada, yang direproduksi model tanpa kemampuan untuk menilai benar atau salah. Tinjauan IBM secara terpisah menandai risiko data seperti pembatalan atau bias tertanam, risiko model seperti pencurian atau manipulasi parameter, dan risiko operasional seperti model drift sebagai kekhawatiran yang lebih luas bagi organisasi yang menerapkan AI.

Mengapa Ini Penting Sekarang

IBM mencatat bahwa diskusi AI modern didominasi oleh AI generatif — sistem yang membuat teks asli, gambar, video, dan konten lainnya daripada hanya mengklasifikasikan atau memprediksi dari data yang ada. Seiring dengan munculnya alat-alat ini di tempat kerja, sekolah, dan aplikasi sehari-hari, mekanisme dasar yang sama — mempelajari pola dari data pelatihan — membantu menjelaskan kemampuan mereka dan batas-batas terdokumentasi mereka, termasuk masalah hallucinations dan bias yang dijelaskan MIT Sloan.